Ⅰ. 서 론
국토교통부의 모빌리티 혁신 로드맵에 따르면, 정부는 2027년까지 단계 4 수준의 자율주행 차량의 상용화 를 목표로 하고 있으며 이를 위해 관련된 법적 제도를 정립하고 C-ITS 등의 기반 시설을 구축할 계획이다. 이처럼 자율 주행 기술은 운전자 보조의 역할을 넘어 직접적으로 운전에 관여할 수 있는 수준으로 빠르게 발전하고 있다. 자율주행 기술은 첨단 기술이지만, 운전자 및 탑승자의 안전을 위협하는 교통사고와도 연결 되어 있다는 점에서 향후 자율주행 차량의 안정적인 상용화를 위해서는 다각도의 합리적 평가를 통한 사회 구성원의 합의와 유연한 대응 체계 마련이 필요하다. 이에 따라, 자율주행 차량 도입에 따른 영향 분석과 대 응을 분석하기 위한 다양한 연구들이 수행되고 있으나 제한된 조건의 운행 데이터와 활용 가능성 등의 문제 로 인하여 현재는 시뮬레이션 기반의 연구가 주로 수행되고 있다. 시뮬레이션 기반의 연구는 현장 데이터 기 반의 연구에 비해 안전성 및 경제성이 보장되고, 시나리오 검증의 유연성과 확장성이 높다는 특성이 있어 초 기 단계의 자율주행 연구에 큰 기여를 할 것으로 예상된다.
자율주행 기술을 평가하기 위한 시뮬레이션 연구는 자율주행 차량의 동적 행태 구현에 있어 선행 연구를 참고한 매개변수를 적용하거나 혹은 독자적인 실험 모델을 개발하여 수행되고 있다. 즉, 각 연구마다 초점을 두는 자율주행 개발 단계와 기술 유형에 차이점이 있으며, 그에 따라 다양한 자율주행 차량 구현 방식이 존 재한다. 그러나, 현재까지 자율주행 기술 단계별 주요 고려 요소나 구현 시의 설계적인 특징, 그리고 이를 통 한 개선점을 파악할 수 있는 연구 결과는 미비한 것으로 확인된다. 따라서 향후 자율주행 기술 평가를 수행 할 때, 자율주행 연구의 전반적인 경향을 파악하기 어렵고, 직접적인 관련 연구 결과에만 의존하게 되는 문 제를 초래할 수 있다.
또한, 자율주행 연구들은 자율주행 기술 수준을 정의할 때 국제적인 기준으로 활용되는 미국 자동차공학 회(SAE, Society of Automotive Engineers)의 자율주행 기술 단계를 준용하여 진행된다. 그러나 자율주행 차량 의 구현 과정에 있어 동일한 단계에서도 각 연구 간의 편차가 존재하여 후속 연구 진행에 있어 일관성을 갖 기 어려운 측면이 있다. 예를 들어 자율주행 차량 구현 과정에서 ACC(Adaptive Cruise Control)와 같이 한 가 지 기능만 조정하는 등 SAE 자율주행 단계와 일치하지 않는 실험 설계가 적용되고 있다.
이처럼 자율주행 차량의 구현 과정에 있어 연구 간의 편차는 후속 연구 진행에 있어 혼란을 줄 수 있으며, 단계별/기능별로 편향되는 연구 동향에 의해 자율주행 차량의 도입이 미치는 영향에 관한 제한된 예측 결과 만을 제공할 수 있다. Alghodhaifi and Lakshmanan(2021)은 자율주행 연구에서 고려하는 차량 동역학 모델의 성능과 종류가 각기 달라 비교 연구를 수행하기가 어려움을 지적하고, 현실적인 교통 흐름과 복잡한 교통 상 황을 포함하는 시뮬레이터의 필요성을 강조하였다. 이와 같이 최근에 폭넓게 진행된 자율주행 관련 시뮬레 이션 연구들에 대하여 실험 모형이나 특성 등에 관한 내용을 고찰하고, 이를 기반으로 앞으로 진행될 연구 방향에 대한 시사점의 도출이 필요한 시점이라고 판단된다.
본 연구의 목적은 시뮬레이션 기반으로 수행된 자율주행 연구의 내용을 검토하고, 이를 통하여 실험적 특 성을 분석하고 향후 연구 진행 방향의 시사점을 도출하는 것이다. 이를 체계적으로 분석하기 위해 최근 9년 간의 발표된 논문을 대상으로 하여 SAE 자율주행 기술 단계를 기준으로 구분하여 특성을 분석하고, 그에 따 른 시사점을 제시하였다.
본 논문의 내용은 다음과 같이 구성된다. 우선, 시뮬레이션 기반 자율주행 연구의 동향 분석을 위해 설정 한 검색 조건에 따라 관련 연구 논문을 수집하였다. 그리고 자율주행 기술 수준을 중심으로 카테고리를 특성 별로 구분하였고, 그에 따라 논문을 분석하였다. 이후 분석된 내용을 바탕으로 향후 연구를 위한 시사점을 도출하여 결과로 제시하였다. 마지막으로 결론에 본 연구 내용의 핵심 내용을 요약하여 마무리하였다.
Ⅱ. 이론적 배경
1. 자율주행 행태 모델
기존의 일반 차량의 주행 주체가 사람인 것과 달리 자율주행 차량의 주행에는 제조사가 설계한 주행 알고리즘과 각종 센서의 역할이 관여하게 되므로 관련 연구에서는 일반 차량과 자율주행 차량의 주행 행태가 구별된다고 보고 있다. 이를 시뮬레이션 상에 표현하기 위해 차량 추종, 차로 변경 등의 주행 행태를 다양한 범위로 표현할 수 있는 기존의 행태 모델을 응용하거나, 개발하는 방식으로 자율주행 차량과 일반 차량의 행태를 반영하고 있다. 자율주행 차량의 ACC 및 CACC(Cooperative Adaptive Cruise Control) 시스템 설계를 위한 대표적인 행태 모델에는 IDM (Intelligent Driving Model), OVM(Optimum Velocity Model), CA(Cellular Automata), GHR(Gazis-Herman- Rothery) 등이 있다.(Yin et al., 2022) 주로 고려되는 핵심적인 매개변수에는 차량 간의 간격, 속도 편차, 감·가속도 등의 요소가 있으며, 개별 차량과 차량 간 주행 행태를 구현한다(Park et al., 2021).
한편, 다양한 행태 모델의 실질적인 활용에 있어서는 모델이 안정적인 자율주행 행태를 나타내는지, 혹은 실제 운전자의 주행 행태를 적절히 표현하는지를 중요하게 보고 있으며, 이를 위한 차량 동역학 및 제어 알 고리즘, 매개변수 보정에 관한 연구가 활발하다. Rahman et al.(2017)은 CACC 시스템 설계 시 차량의 동역학 과 String Stability의 관점에서 더욱 적합한 모델을 평가하기 위해 평가 프레임워크를 개발하였다. 대표적인 차량 추종 모델인 IDM과 OVM 모델을 평가하였으며, 통신 지연 유무와 관계없이 OVM이 IDM에 비해 편안 한 가감속을 유지하는 것으로 나타났다. 또한 Mu et al.(2023)은 많은 연구에서 IDM 모델이 인간 운전자를 대표한다고 가정하고 있지만, 표준적인 IDM은 실제 운전자 대비 가속도 측면에서 뛰어난 성능을 보이며 동 적 시간 간격을 적용한 IDM이 인간 운전자에 더욱 가까운 것으로 제시하였다.
2. 대리 안전 지표(SSM, Surrogate Safety Measure)
실제 도로에서 발생하는 자율주행 차량 관련 사고 데이터의 가용성이 부족하기에 자율주행 차량 운행 시 의 잠재적 위험도는 주로 대리 안전 지표를 통해 대체하여 측정되고 있다(Morando et al., 2018). 이는 차량 간 상대속도, 거리 등의 정량적 지표를 토대로 개발된 안전성 검증 방안으로서, 다양한 종류의 대리 안전 지 표가 존재한다. 주로 활용되는 대리 안전 지표는 현재 두 차량의 경로와 속도가 유지된다는 가정하에 충돌 시점과의 시간 차이를 계산하는 TTC(Time To Collision)이다. 또한, 이를 기반으로 파생된 TIT(Time Integrated Time-to-Collision), TET(Time Exposed Time-to-Collision) 등이 있다(Sohrabi. et al., 2021). 그리고 두 차량의 감 속률을 기반으로 충돌 위험을 계산하는 CPI(Crash Potential Index), RCRI(Rear-end Collision Risk Index), PICUD(Potential Index for Collision with Urgent Deceleration) 등이 있다(Do et al., 2024). 이외에도 충돌의 심각 성을 나타내기 위한 속도 기반의 DeltaV, MaxS, Driving Volatility 등의 지표가 존재한다(Wang et al., 2021a).
일각에서는 시뮬레이션에서의 SSM 적용에 대한 비판이 존재한다. 이들은 대개 임계값을 기반으로 충돌의 위험을 측정하고 있어 연구자에 의한 임의의 임계값 설정에 의존하고 있으나 다양한 교통 상황에 의해 임계 값의 기준은 달라질 수 있으며, 자율주행 혼재 교통류에서 SSM의 적용 방안은 현재까지도 불명확한 부분이 있다(Virdi et al., 2019; Wang et al., 2021a;Das et al., 2023). 또한 Tarko(2018)은 시뮬레이션 특성상 차선 이탈 과 같은 비정상적인 주행 행동을 구현하지 못하는 한계가 있기에 교통 상황의 노출성만 반영하고 있으며, 이 에 따라 차량 주행의 불확실성에 의한 충돌이 적절하게 고려되지 못하고 있다는 의견을 제기하였다.
3. 자율주행 기술 발전 단계
<Fig. 1>에 제시한 바와 같이 SAE는 자율주행시스템의 자동화 수준에 따라 Lv. 0부터 Lv. 5까지 총 6단계로 분류하였으며, 미국 도로교통안전국(NHTSA) 및 UN 국제기준(UNECE WP.29) 등에서 적용하고 있다(SAE, 2018). 해당 정의에 따르면 차량 제어의 주도권이 시스템에 있고, 주행 상황 모니터링 책임을 시스템이 맡는 경우 자율주행 차량으로 구분할 수 있다. 따라서, Lv. 0부터 Lv. 2까지는 차량의 시스템이 운전자를 보조하는 기술 단계로 분류되며, Lv. 3부터는 시스템이 주행의 주도권을 갖는 자율주행 차량이라고 정의한다. 구체적으로, Lv. 0 단계는 자율주행 기능이 전혀 없는 상태를 의미하며, Lv. 1 단계는 운전자가 차량을 제어하는 상황에서 핸들 조향 또는 가속/제동 기능 중 하나를 보조하는 수준을 나타낸다. Lv. 2 단계는 부분 자동화 단계로, 핸들 조향과 가속/제동 기능이 결합된 자동 주행 기능을 제공하나 운전자는 전방 주의 의무가 있으며 필요시 직접 제어할 수 있어야 한다. Lv. 3 단계는 조건부 자동화 단계로, 특정 조건 하에서 자율주행이 가능하나 시스템의 판단으로 제어권 전환 요청이 있을 시 운전자는 바로 요청을 수락할 준비가 되어 있어야 한다. Lv. 4 단계는 조건을 만족하 는 특정 구간에서 완전 자율주행이 가능한 상태를 나타내며, 해당 구간 내에서는 운전자 개입이 필요하지 않다. Lv. 5 단계는 모든 도로 상황에서 완전한 자율주행이 가능한 단계를 의미한다.
Ⅲ. 자료 수집 및 기초 분석
1. 문헌 선별 기준
본 연구를 위한 문헌의 선정은 SCI, SCIE, SSCI, A&HCI 주요 국제 저널의 논문을 검색할 수 있는 인용색인 데이터베이스인 ‘Web of Science’에서 키워드 검색을 통해 추출하였다. 본 연구에서는 미국 도로교통안전국에서 SAE의 자율주행 자동화 수준에 관한 표준(J3016)을 공식 채택한 2016년 이후부터 자율주행 기술 수준에 대한 개발과 평가에 관한 논의가 본격화되었다고 보았다. 이에 따라 논문 검색의 시간적 범위는 2016년부터 현재까지로 지정하였다. 검색 키워드는 ‘Title’, ‘Abstract’, ‘Keyword’를 기준으로 검색하였으며, ‘automated vehicle’, ‘autonomous vehicle’, ‘self driving’, ‘simulation’, ‘scenario’, ‘evaluation’등을 키워드 조건으로 하여 문헌을 추출하였다. 본 연구 주제에서 벗어난 시나리오 생성의 기술적 방법론에 관한 연구는 제외하였으며, 구체적으로 연구 내용에 ‘자율주행 도입 시 기존 주행 환경에 미치는 영향을 평가하는 실험 과정이 포함되는지’를 판단하여 54개의 문헌이 최종적으로 선정되었다.
2. 문헌 기초 분석
시뮬레이션 기반 자율주행 연구를 단계별로 구분하고 시사점을 도출하기 위해서 선정된 문헌들의 연구 주제와 주요 연구 관점에 관한 체계적인 분석을 실시하였다. 먼저, 선정된 문헌을 연구 주제에 따라 크게 분 류하여 자율주행 연구의 분야별 연구 진행 동향을 파악하였고, 결과는 다음 <Fig. 2>의 Venn Diagram으로 표 현하였다. 기존의 연구들은 시뮬레이션을 기반으로 하여 자율주행 도입 시의 교통류 흐름 및 안전 영향, 차 량 군집의 주행 안정성(String Stability), 운전자 혹은 보행자의 행동 및 인식 변화, 연료 소비 및 오염 배출과 같은 주제를 다루고 있었다. 도출된 결과에 따르면, 교통류 흐름의 영향을 파악하기 위한 연구가 주를 이루 고 있으며, 교통류 흐름을 포함한 종합적 분석이 수행되고 있는 것으로 나타났다. 또한 운전자 행태는 교통 류 분석과 연관하여 분석되었지만, 보행자 행태의 경우 교통류 분석과 연관되지 않고 독립적으로 연구가 진 행되는 것으로 파악되었다. 그리고 교통류 안전과 오염 배출을 함께 분석한 연구는 수행되지 않았다.
다음으로는 선정된 문헌을 대상으로 자율주행 단계별로 구분하고 주요 연구 동향을 정리하였다. SAE 정 의에 따라, 인간 운전자가 운전하는 수동 차량의 경우 Lv. 0으로 구분하고, 자율주행 기능 없이 ACC 등의 특 정 운전 보조 기능만을 고려한 모형을 적용한 경우, Lv. 1로 구분하였다. 시스템의 차량 추종 및 차선 변경 행태를 동시에 고려하는 경우, Lv. 2 ~ Lv. 5에 해당할 수 있다. Lv. 2의 경우 운전자 관제하에 자동 주행 기 능이 수행 혹은 중단되지만, Lv. 3의 경우 시스템 요청 시 제어권 전환의 과정이 필요하므로 구현 과정에서 이에 대한 고려가 반영되었는지 확인하였다. Lv. 4의 경우 지정된 ODD 구간 내에서는 완전자율주행이 가능 하나, ODD 구간을 벗어나는 경우 제어권 전환 과정이 필요할 수 있다는 내용으로 구분하였다. 또한, 차량이 운전자 없이 모든 구간에서 전적으로 주행할 수 있는 경우는 Lv. 5로 판단하였다. 논문에서 직접적으로 특정 단계를 명시하였으면 이를 준용하였다.
이러한 기준을 적용하여 각 연구에서 분석한 자율주행 단계를 추출한 결과, SAE 단계를 명확히 명시한 연구는 총 54건 중 11건에 해당하였다. 또한 단계에 대한 직접적인 언급은 없지만 SAE가 정의한 자율주행 정의와 상응하는 기능을 구현한 연구는 24건이었다. 나머지 19건에서는 SAE에서 정의한 자율주행과 상이한 차량 구현을 수행한 것으로 드러났으며, 주로 횡방향 제어가 생략되고 있는 것으로 확인되었다.
<Table 1>과 같이 각 단계를 대상으로 하는 연구의 수를 추산한 결과, Lv. 1 차량과 Lv. 2 차량에 대한 연 구의 수는 각각 6건, 2건으로 확인되었다. 이는 문헌 검색 키워드가 자율주행과 관련되어 있기에 자율주행에 해당하지 않는 Lv. 1과 Lv. 2에 관한 문헌이 적게 수집된 것으로 판단된다. 각각의 Lv. 3, Lv. 4, Lv. 5 기술 단계를 특정하여 분석한 연구는 3건, 7건, 5건에 해당하였다. Lv. 3+는 Lv. 3 이상의 차량을 연구 대상으로 하였음을 표시한 것으로, 이는 34건에 해당하여 선별된 문헌 중 과반수를 차지하는 것으로 나타났다. Lv. 3+ 차량은 자율주행 차량으로 분류되어, 해당 연구에서는 이상적인 주행 조건을 가정하여 완전 자율주행을 수 행하는 상태를 대상으로 분석하였음을 확인하였다.
<Table 1>
Amount of research per SAE J3016 standard
| Level of Automation | Amount of Research |
|---|---|
| Lv.1 | 6 |
| Lv.2 | 2 |
| Lv.3 | 3 |
| Lv.4 | 7 |
| Lv.5 | 5 |
| Lv.3+ | 34 |
또한 다양한 기술 수준의 차량 구성을 고려한 연구가 존재하여, Lv. 0 & Lv. 2 & Lv. 5 차량 구성하에 교 통류의 이동성 영향을 분석한 연구 1건, Lv. 0 & Lv. 2 & Lv. 4 차량 구성하에 교통류의 이동성 및 안전성 영향을 분석한 연구 1건, Lv. 0 & Lv. 1 & Lv. 3-5 차량 구성하에 교통류 이동성 및 안전성, 환경적 영향을 종합적으로 분석한 연구 1건이 존재하는 것으로 확인되었다. 해당하는 3건의 연구로 인해 <Table 1>에서의 단계별 연구 합계는 3건이 중복되어 총 57건으로 나타났다.
Ⅳ. 기술 수준별 연구의 특성 분석
각 문헌의 주제에 따른 전반적인 실험 시나리오 설계를 검토한 결과, 문헌마다 차량의 행태적 구현 방안, 분석 대상이 되는 주행 환경적 가정, 고려하는 객체의 종류, 기술적 범위 등이 다양하여 분석 결과의 일관성 이 떨어지는 것으로 드러났다. 이에 따라 현재 연구되는 자율주행 기술의 수준에 따라 활용되는 모델링 및 시나리오 설계 방식의 특성을 <Table 1>에 제시된 결과를 기반으로 분석하였다.
1. 단계 1
Lv. 1 차량은 모두 ACC 혹은 CACC 기능을 중심으로 구현되는 것으로 나타났으며, 따라서 자율주행 차량 이 아닌 ‘운전자 지원 차량’ 혹은 통신 기능만을 가정한 ‘커넥티드 카’로 언급됨을 확인하였다. ACC 기능의 구현은 자체적으로 모형을 개발하거나 Wiedemann99, IDM 모형의 매개변수 조정을 통해 이루어졌으며, Lv. 0 과 구별되는 차량 추종 행태 모델링을 위한 공통적인 변수로 안전한 차두거리(시간), 최대 속도, 가감속 관련 변수 등이 고려되었다. 최대 속도는 공통적으로 일반 차량과 동일하게 설정되고 있으나 안전한 차두 간격과 가감속 행태의 가정은 연구마다 상이한 경향을 보이는 것으로 확인되었다.
그 대표적인 예로, Abdel-Aty et al.(2020)은 Lv. 1 차량이 센서 기능에 의해 Lv. 0 차량 대비 짧은 차두시간 (0.6s)을 유지하면서 높은 가속도(0.1 ~ 4.0 m/s2)를 나타낼 것으로 보았으며, Shang et al.(2020)은 선행 연구 에 따라 Lv. 0 차량 대비 긴 차두시간(2.0s)과 높은 가속도(4.0m/s2 )를 나타낼 것으로 판단하였다. 한편, Monteiro and Ioannou(2023)은 Lv. 1 차량이 안정적인 주행을 목표로 보수적인(1.0s) 차두시간과 적은(–0.4 ~ 0.6 m/s2 ) 가감속도 범위를 나타낼 것으로 보았다. Wang et al.(2021b)은 선두 차량 대수를 4대까지 고려하는 ACC 기능의 확장을 통해 도로 위 혼선 상황에서 통행 시간 지연의 효과가 개선될 수 있음을 제시하였다. 차 량 간 간격에 따라 차량 간 상대속도 차를 줄일 수 있는 최적 속도의 선형 식을 통해 ACC 기능을 구현하였 기에 최소 안전 거리 등 매개변수에 대한 특정 값이 지정되지 않았으며, 차두거리에 따른 민감도 계수의 조 정을 통해 안정적인 주행 행태를 표현하였다.
이처럼, 연구마다 동일한 ACC 차량을 구현하였음에도 다양한 주행 행태를 보이고 있으며, 이는 분석 결 과의 경향성에도 영향을 미치는 것으로 분석되었다. 주행 행태를 나타내는 매개변수 설정의 근거로는 시뮬 레이션 내에서 기본 제공하는 모형의 변숫값을 활용하거나, 선행 연구에서 연구된 값을 적용하는 것으로 나 타났다. ACC 모델의 기본 매개변수 적용 시 실제 상용 차량의 가속 궤적과 다른 가속 궤적을 생성할 수 있 으나(Xiao, 2017), 현재 운행 중인 Lv. 1 차량의 주행 행태나 관련 연구를 반영한 연구는 존재하지 않는 것으 로 분석되었다.
2. 단계 2
Lv. 2 차량을 대상으로 한 문헌 분석 결과, Lv. 2 차량을 구현하였음에도 종방향 가감속 관련 행태만 모델 링하는 경우가 존재하여 실질적인 Lv. 2 이상의 기능을 반영했다고 기대하기 어렵다는 제한점이 존재하였다.
Lv. 2 차량을 구현한 문헌 중, Ma et al.(2020)은 Lv. 0, Lv. 2, Lv. 5 차량의 거동 행태 구현을 위해 Krauss 차량 추종 모형과 퍼지 제어 모델을 활용하였다. 횡방향 거동은 고려되지 않았으며, Lv. 0 차량과 Lv. 2 차량 의 구분은 Krauss 차량 추종 모형의 반응시간 값과 퍼지 제어 모델의 무작위성 계수의 차이를 통해 구현하였 다. Lv. 0 차량과 Lv. 2 차량은 운전자가 관제하므로 반응시간 값은 1로 동일하다 보았으나, Lv. 0, Lv. 2의 무작위성 계수는 각각 0.5, 0으로 설정하여 인간 운전자 대비 페달 위치에 오류가 존재하지 않을 것이라고 하였다.
반면, Guériau and Dusparic(2020)은 Lv. 0, Lv. 2, Lv. 4 차량의 종방향 및 횡방향 거동 행태를 구현하기 위 해 Krauss, CACC, IDM의 다양한 차량 추종 모형과 SUMO의 lane-change model(LC 2013)을 적용하였다. 그러 나, Lv. 0와 Lv. 2 차량의 차로 변경 행태가 동일하다고 가정되었기에 Lv. 2 차량에 적용되는 조향 기능의 특 성이 반영되었다고 보기 어렵다. 또한, Ma et al.(2020)와 동일한 Krauss의 추종 모델을 활용하였음에도 반응 시간 변숫값은 확인되지 않았고 Lv. 0, Lv. 2 차량의 무작위성 계수는 0.5, 0.05로 설정하여 센서가 완벽한 인 식을 하지 못할 것으로 가정하였다.
이처럼, Lv. 2 차량 구현에 있어서도 연구자마다 기술적 가정이 상이한 것으로 나타났으며, 매개변수 적용 에서도 투명하게 공개되지 않는 부분이 존재하는 것으로 확인되었다. 특히, Lv. 2 차량의 기능 중 차로 이탈 방지 보조(LKA, Lane Keeping Assist)나 차로 유지 보조(LFA, Lane Following Assist), 차로 변경 보조(LCA, Lane Change Assist)의 조향 기능에 대한 고려가 미비한 것으로 분석되었다. 그리고 현재 첨단운전자보조시스 템(ADAS, Advanced Driver Assistance System)으로 불리는 Lv. 2 기능이 탑재된 차량이 상용화되어 있으나, Lv. 1 연구와 같이 관련된 주행 행태나 연구에 대한 반영이 미비한 것으로 분석되었다.
3. 단계 3
Lv. 3부터는 특정 주행 조건에서 인지 판단의 주체가 시스템에 있고, 자율주행이 가능하므로 Lv. 3부터 자 율주행 차량이라고 인정된다. 다만, 위험 상황에서 시스템의 요청하에 운전자 개입이 종종 요구될 수 있다는 제한점이 존재한다. 이에 따라, 명확히 Lv. 3 차량을 대상으로 한 연구 3건 중 2건에서 자율주행 친숙성이나 운전 성향과 같은 특정 요소가 제어권 전환 요청 빈도에 미치는 행동학적 영향을 분석한 것을 확인하였다.
Stange et al.(2022)에 의하면 자동차 제조업체가 가까운 미래에 고속도로에서 선제적으로 Lv. 3 차량을 도 입할 계획이 있다고 하였다. 그러나, 선별된 문헌 중 Lv. 3 차량을 포함하여 교통류 영향을 분석한 연구에서 는 이상적인 주행 상황을 가정하여 Lv. 3 차량의 제어권 전환 행태를 고려한 연구가 존재하지 않는 것으로 확인되었다. Lv. 3 차량이 다른 단계의 자율주행 차량과 구분되는 가장 큰 특성은 제어권 전환인 것으로 확 인되나, 제어권 전환 시의 주행 행태와 관련된 분석 및 모델링은 미비한 것으로 나타났다.
한편, Guériau and Dusparic(2020)의 경우 Lv. 3 차량을 분석 대상에서 제외하는 이유에 관해 기존 연구에서 CAV의 제어권 전환에 의한 용량 감소 등 부정적 영향이 보고되어 자율주행 기술의 수용성을 높이기 위해 Lv. 2에서 바로 Lv. 4로 발전할 것으로 예상하기 때문이라고 하였다. 이처럼 제어권 전환을 수행하는 자율주 행 차량의 교통 영향을 분석한 연구가 부족한 이유에는 미래 교통 상황에 대한 연구자 간 대비되는 예측과 실험 시나리오의 설계 및 구현 시의 편의성이 작용한 것으로 분석되었다.
4. 단계 4
SAE 기준 Lv. 4 차량은 정해진 ODD 구간 내에서 운전자 개입 없이 자율주행할 수 있으나, ODD 구간을 벗어나면서부터는 제어권 전환이 수행될 필요가 있다. 그러나, 이는 선별된 문헌 중 1건에서만 고려된 것으 로 나타났으며, 대부분의 연구에서 Lv. 4 차량을 분석 대상으로 할 때 ODD 구간을 실험의 공간적 배경으로 선정하여 완전 자율주행을 수행하는 상황을 가정한 것으로 분석되었다. 이에 관해 Samani et al.(2022)는 운전 자가 시스템 주행 시 운전이 아닌 다른 작업을 수행하고 있기에 Lv. 4의 제어권 전환이 Lv. 3보다 더욱 큰 의미가 있을 수 있으나, 현재까지 Lv. 4의 기술 수준을 가정한 제어권 전환 연구가 부족하다고 하였다. 또한, 앞서 드러난 경향과 같이 Lv. 4 대상의 연구 6건 중 3건에서 횡방향 제어와 관련된 조정이 수행되지 않았으 며 기타 행태 및 기능적 가정의 차이가 드러났다.
Morando et al.(2018)는 승용차(95%) 및 대형 화물 차량(5%)으로 구성된 간선도로 교차로 구간에서 Lv. 4 차량이 교통 이동성 및 안전성에 미치는 영향을 분석하고자 Wiedemann99 모형을 적용하였으며, 두 선행 연 구의 매개변수 조합으로 구현한 각 Lv.4 차량에 의해 결과를 분석하였다. 그 결과 PTV의 Lv. 4 차량이 Atkins의 Lv. 4 차량보다 교통 지연과 안전에 효과적이었으며, 이는 Atkins의 Lv. 4 차량이 Lv. 0 와 PTV의 Lv. 4 차량 대비 더 공격적으로 가속함에 의한 것으로 분석하였다.
한편, Park et al.(2021) 은 도심지 교차로 내의 Lv. 4 차량이 교통 용량에 미치는 영향을 분석하고자 Wiedemann74 모형을 적용하였다. 자전거 통행 수요를 고려하지 않은 것에 대해 해당 구간에 자전거 전용차 로가 없고, 자전거가 전체 수요의 1.8%만을 담당하고 있어 제외했다고 하였으며, 이외 다른 차종 구성은 고 려하지 않았다. 또한 해당 연구에서 적용된 모형은 대다수 연구에서 활용되는 Wiedemann99 모형과 달리 안 전거리 편차를 기반으로 확률적인 거동 행태를 보이도록 개발되어, 기존 연구와 차량 행태에 대한 정량적인 비교가 어려울 것으로 판단되었다. 한편, 저자는 차량 추종 및 차로 변경 행태를 위한 매개변수 외에도 Look back distance, Driver errors 등의 운전자 특성 변수와 협력 주행이 가능한 최대 차량 수 및 최대 거리와 같은 협력 주행 가능 조건에 대한 변숫값을 제시하여 차량 기능 수준에 대한 상세한 가정을 제시하였다.
분석 결과, Lv. 4 대상의 연구에서도 적용된 모델 및 매개변수에 따라 다양한 행태가 나타나고 있으나 정 량적인 비교가 어려우며, 횡방향 제어기능의 고려 여부도 상이한 것으로 나타났다. 이외에도 선별된 모든 Lv. 4 대상 연구에서 Lv. 0 대비 Lv. 4 차량의 목표 속도 범위가 매우 좁거나 일정한 값으로 제시하고 있음이 드러났다. 이는 Lv. 4 주행 가능 구간에서는 운전자가 개입하지 않는 명확한 특성에 의해 교통 법규를 준수 할 수 있도록 매개변수 조정 시 강조되고 있는 것으로 분석되었다.
5. 단계 5
SAE 정의에 의해 Lv. 4와 구별되는 Lv. 5 차량의 특징은 자율주행 차량이 주행 가능하다고 판단되는 조건 인 ODD의 제한이 사라지고 시간 및 장소, 운전자 유무에 대한 제약 없이 완전한 자율주행을 수행할 수 있는 차량을 의미한다. 이에 맞춰 Lv. 5 차량을 대상으로 한다고 명시한 연구들은 실험의 공간적 범위를 TAZ(Traffic Analysis Zone) 단위의 거시적 규모로 확장하거나, 인간 운전자가 존재하지 않는다고 언급하는 특징을 보였다. 한편, 선별된 문헌에서 Lv. 5 차량을 분석 대상으로 한 연구 5건 중 3건의 연구가 Lv. 5 차량 이 보행자의 신뢰 행동에 미치는 영향을 연구한 것으로 나타났다. 이는 운전자가 존재하지 않는 AV와 보행 자가 개인 간 눈짓 등의 요소로 소통할 수 없는 상황이 발생할 것이 예상되기에 보행자의 불안에 관련된 행 동학적 영향을 분석하는 것으로 확인되었다.
한편, Lv. 5 차량의 구현 과정에서도 구체적인 변숫값이 제시되지 않고 정성적 설명을 통해 행태가 묘사되 는 것으로 나타났다. 그 예로, Millard-Ball(2019)는 Lv. 5 차량이 승객 하차 이후 도로를 배회하며 증가하는 통행 비용을 분석하였으며, 해당 연구에서 저자는 Lv. 5 차량이 Lv. 0 차량보다 더 큰 간격을 두고 안정적으 로 주행한다고 하였다. 한편, Rad et al.(2020)은 Lv. 5 차량의 의사소통 방식에 의한 보행자의 행동 영향을 분 석하였으며, 해당 연구에서는 보행자가 자율주행 차량의 제동을 감지할 수 있도록 Lv. 5 차량에 높은 감속도 (10 m/s2)를 적용하였다.
이처럼, Lv. 5를 대상으로 수행한 연구에서도 차량 행태와 관련해서도 상반되는 예측이 드러나며, 시스템 의 자체적인 경로 설정과 탑승자가 존재하지 않는 주행이 가능한 특성에 의해 다양한 연구 주제로 나타나는 경향을 확인하였다. 그러나 이외에는 Lv. 5 차량이 등장했을 때의 기술 수준의 발전과 교통 상황 변화에 대 한 고려가 반영된 연구가 미비한 것으로 드러났다. 자율주행 차량의 시장점유율이 변화하면서 자율주행 전 용차로의 도입을 고려한 연구가 4건 존재하였으나, 자율주행 차량이 과반수를 차지하면서 발생하는 교통 수 요 변화 혹은 신호 최적화, 비신호 네트워크에서의 효과 등은 선별된 모든 연구에서 배제되고 있는 것으로 분석되었다.
6. 단계 3+
문헌 중 대다수에서 Lv. 3-5 혹은 Lv. 3-4를 대상으로 연구한 것으로 나타났으며, Lv. 3+의 완전 자율주행 차량을 분석 대상으로 하는 연구에서도 횡방향 제어와 관련한 조정이 수행되지 않는 경우가 있는 것으로 확 인되었다. Millard-Ball(2019)는 특히 완전 자율 주행이 가능한 차량은 Lv. 0 차량과 같은 방식으로 동작하지 않을 가능성이 높을 것으로 보았으나, 선별된 문헌에서 Lv. 0와 구별되는 Lv. 3 이상의 완전자율주행 행태를 구현하기 위해 Newell, Wiedemann99, IDM 등의 차량 추종 모형만을 제시하는 경우가 절반에 해당하였다.
다만, Wang et al.(2022)의 경우, Lv. 3+ 협력 자율주행 차량 구현 시 차로 변경 행태만 조정하고 차량 추종 행태는 Lv. 0 차량과 동일하다 하였으나, 이는 제안하는 차선 변경 알고리즘이 교통 흐름에 미치는 영향을 분석하기 위한 연구 목적에 의한 것이라고 명시하였다. 또한, Rahmati(2019)는 Lv. 4 차량이 주변 Lv. 0 차량 의 추종 행동에 미치는 영향을 살펴보기 위한 연구 목적에 의해 Lv. 1의 ACC 행태만을 채택했다고 하였다. 그러나 대부분의 연구에서는 특정한 목적이나 이유 없이 SAE 정의와 일치하지 않는 차량 행태 구현이 이뤄 지고 있는 것으로 확인되었다.
또한, Lv. 3+ 에서도 연구마다 행태적 가정 및 매개변수 설정에서도 차이를 보이고 있으며, V2X 통신 기 반의 협력 자율 주행 행태에 대한 고려가 본격화되어 통신 기능의 역할과 수준, 협력 가능 차량 대수 등 구 체적인 구현 방안에 대한 가정도 차이를 보임이 확인되었다.
그 예로, Bandeira et al.(2021)은 Lv. 3-4의 협력 자율주행 차량이 환경 오염에 미치는 영향을 분석하였다. 해당 연구에서는 실험의 공간적 범위를 위빙이 거의 일어나지 않는 방향별 1~2차로의 단순한 도로 구간으로 선정하여 차로 변경에 관한 조정 과정을 생략했다고 하였다. 협력 자율주행 차량의 행태는 선행 연구의 Wiedemann99 모형 변수 중 네트워크 전체 NOx 배출을 최소화하는 최적 조합으로 개발될 것을 가정하였고, V2X 통신을 통한 협력 행동은 차량 모델의 추종 행태에 내재하였다고 하였다. 그러나, 최종 채택된 매개변 수의 구체적인 변숫값에 대한 정보는 제시되지 않았다. 분석 결과, 국도와 고속도로에서는 협력 자율 주행 차량의 도입이 환경에 유익한 것으로 나타났지만, 도심 도로에서는 부정적인 영향이 관찰되었다.
한편, Fang et al.(2022)은 Lv. 3+ 자율주행 차량과 협력 자율주행 차량이 고속도로 교통 성능에 미치는 영 향을 분석하였다. 해당 연구에서도 고속도로 1~2차로의 구간을 대상으로 하였으나, TTC 기반의 종방향 및 횡방향 제어 알고리즘을 VISSIM에 구현하였다. 또한, 해당 연구에서 자율주행 차량 및 협력 자율주행 차량 은 Lv. 0 차량보다 안정적인 주행을 위해 차로 변경 시 더 큰 차간 간격과 더 적은 최대 가속도(1.2m/s2 )를 요구한다는 가정으로 구현되었다. 다만, 협력 자율주행 차량은 V2X 통신으로 차선 변경 경고 메시지를 주변 150m까지 전달할 수 있어, 자율주행 차량 대비 협력 자율주행 차량이 더 작은 차간 간격으로 차로를 변경할 수 있다고 하였다. 그 결과, Lv. 3+의 자율주행 차량 및 협력 자율주행 차량 도입은 고속도로 성능에 부정적 인 영향을 미치는 것으로 나타났다.
이처럼, Lv. 3+ 대상의 연구에서는 협력 자율주행 차량과 자율주행 차량, Lv. 0 차량 간의 영향을 분석하 는 경우가 증가하여 추가로 선두 차량 종류(Lv. 0, 통신 기능이 없는 자율주행 차량, 협력 자율주행 차량)에 의한 구현 방안도 다양화되고 있음을 확인하였다. 또한, Lv. 3+의 자율 주행 행태를 구현하기 위해서는 기존 행태 모형의 매개변수 수정 외에도 고도화된 자동화 기능을 표현하기 위해 자체적인 모형 개발을 통해 구현 하는 경우가 증가한 것으로 확인되었다. 그러나, 자체적인 모형 개발 시에는 기존의 모형에서 드러나는 차선 변경 시의 안전한 차두거리 등의 차량 행태를 표현하는 변숫값이 드러나지 않아 모형 간의 비교 분석이 어 려울 것으로 판단되었다.
한편, Lv. 3+를 대상으로 분석한 연구 중에는 자율주행 차량의 행태를 공격/ 주의 등으로 다양화하여 표현 한 연구가 진행되었으나(Stogios et al., 2019; Muhammad et al., 2020), 대부분의 연구에서는 단일 속성으로 가 정한 것으로 분석되었다. 이외에도, 주변 차량 운전자의 자율 주행 신뢰도에 따라 서로 다른 차량 간 상호작 용 행태 및 다양한 제어방식을 구현한 연구가 진행되었다(Zhu et al., 2020; Sun et al., 2023). 그러나 이외의 연구에서는 이를 연구 범위에서 벗어나는 것으로 간주하여, 관련된 연구가 미비한 것으로 분석되었다.
7. 기타 공통 고려 요소
본 연구에서 분석된 문헌에서 기술 수준과 관계없이 공통적으로 나타나는 특성을 분석하였으며 향후 연 구에서 반영할 수 있는 내용은 다음과 같다. 자율주행 연구에서의 시나리오 설계가 지나치게 단순한 경우 차 량의 행동 및 상호작용을 현실적으로 반영할 수 없겠으나(Wang et al., 2022), 대부분의 연구에서는 시나리오 구축 시 보행자나 오토바이, 다종 차량 등 다양한 도로 이용자와 그에 따른 행태적 변동성이 배제되고 있는 것으로 분석되었다. 또한, 차량의 다양한 주행 행태, 돌발상황 발생 상황, 3600초 이상의 장기적인 분석 기간, 진출입로 및 톨게이트를 포함한 고속도로 구간, 도심지 네트워크 등 복잡한 주행 상황을 반영한 연구가 부족 한 것으로 나타났다.
또한, 자율주행 차량이 존재하지 않는 시장 점유율 0%에서 100%까지의 장기적인 전환 기간을 고려하면 다양한 기술적 범위의 차량이 혼재될 가능성이 높다(Calvert et al., 2017). 그러나, 선별된 문헌에서 다양한 단 계가 혼재된 상태를 고려한 연구는 단 3건에 해당하여 이에 관한 연구가 미비한 것으로 확인되었다. 단계별 차량의 혼재가 아니더라도 다양한 범위의 기술적 특성을 지닌 동일 단계 차량이 혼재된 교통 상황에 대한 분석이 부족한 것으로 확인되었다.
그리고 상당한 기간 일반 차량과 자율주행 차량이 도로를 공유하는 상황이 예상되고, 자율주행 혼재 시에 는 기존 교통류 대비 일반 차량의 거동 및 기능이 달라질 수 있으나(Hamad and Alozi, 2022), 대다수의 연구 에서 이에 대한 고려가 부족한 것으로 분석되었다. 예외적으로, Zhu et al.(2020)과 Sun et al.(2023)은 자율주 행 차량에 대한 신뢰도에 따라 주변 일반 차량의 주행 행태가 달라질 수 있음을 반영하였다. 또한, Talebpour and Mahmassani(2016)와 Wang et al.(2022)은 일반 차량도 자율주행 차량 및 기타 기반 시설과의 통신을 통해 제한된 정보 교환이 가능할 것을 가정하였으며, Cui et al.(2018)은 일반 차량에도 자율주행 차량과 같이 안정 적 주행을 유도하는 속도 제안 기능이 탑재되는 것을 가정하기도 하였다.
또한, 일반 차량 구현에서도 매개변수 적용에 있어 연구마다 차이가 발생하였는데, 자율주행 차량과 구분 하기 위해 조정되는 매개변수로 주로 차간/차두거리 혹은 시간, 가속도, 인지 오류로 인한 무작위성 감속, 반 응시간, 자유속도가 있으나 그 값은 다양한 범위로 나타나는 것으로 나타났다. 이는 동일한 모델을 적용함에 도 주로 어떤 선행 연구를 반영하는가에 따라 달라지는 경향이 확인되었으므로, 실제 데이터 기반의 행태 모 델 반영이 필요할 것으로 분석되었다. 이처럼 연구마다 적용되는 매개변숫값은 다양한 범위로 나타나고 있 으나, 각 연구에서는 일반 차량의 구현에 있어 단편적인 매개변숫값을 적용하고 있어 도로 이용자의 행태적 다양성을 표현하기 어려울 것으로 분석되었다. 예로써 현실 도로에서는 공격적인 주행 성향 혹은 주의적인 주행 성향을 지닌 운전자가 존재할 수 있으나, 이를 반영한 연구는 2건에 불과하였다(Stogios et al., 2019; Muhammad et al., 2020).
한편, 센서의 오류나 통신 기능과 관련한 언급이 제한적으로 이뤄지는 것으로 나타났는데 특히, 통신 장애 가 일어날 수 있는 상황을 구현한 연구는 선별된 문헌 중 1건에 불과하였다(Garg and Bouroche, 2023). 이에 관해 Yu et al.(2019)은 자율주행 관련 모델링과 관련된 많은 논문에서 자동화 수준과 통신 기능에 관해 명확 하게 명시하지 않고 운전 행동의 다양성을 고려하지 않은 것을 관련 연구의 문제점으로 제시하였다. 특히, CAV 차량을 대상으로 분석한 경우 대다수 연구에서 특정 범위 내 주변 차량의 정보를 문제없이 획득할 수 있음을 가정하고 있으나, 통신 및 센서의 기능적 범위나 최대 통신 가능 차량 수에 대한 제한이 설명되지 않 아 이에 대한 비교와 경향 분석이 어려울 것으로 분석되었다.
그리고, 시뮬레이션 운영 시 시뮬레이션 단계 크기(time step)를 세밀하게 할수록 더욱 연속적인 동역학 관 계를 표현할 수 있기에 분석 결과에도 영향을 미칠 수 있다는 의견이 존재하였다(Yu et al., 2023). 그러나 선 별된 연구에서 실제 시뮬레이션 단계 크기 설정은 0.01초에서 10초 사이의 범위에서 자유롭게 선택되는 경 향을 확인하였고, 해당 영향을 체계적으로 분석한 연구는 존재하지 않는 것으로 나타났다. 따라서, 이는 향 후 자율 주행 연구 결과에 시뮬레이션 설정이 어느 정도의 영향을 미칠 수 있는지 검증될 수 있을 것으로 판단된다.
한편, Traffic Safety 분석 시에는 주로 TTC 기반의 지표로 충돌 위험성을 판단하고 있으나, 연구마다 HDV, AV 그리고 CAV 간에 충돌 판단 임계값에 차이를 두는지와 각각의 임계값 설정에도 차이가 발생하고 있으 므로 적용 시 주의가 필요하다. 이는 연구마다 상반되는 연구 결과를 나타내는 원인으로 판단되어 추후 관련 영향 및 적합한 안전 지표에 관한 연구가 필요할 것으로 보인다. Traffic Emission 분석 시에는 자율주행 차량 모델뿐만 아니라 VT-Micro, MOVES, EnViver 등 오염원 분석 방법론에서도 다양성이 드러나고 있으나, 이는 대개 석유 기반의 배출 표준을 대상으로 그 효과를 판정하고 있으므로 추후 전기 동력원의 차량을 고려한 연구가 수행될 필요가 있을 것으로 판단된다.
Ⅴ. 결 론
현재 자율주행 연구에 있어 현장 실험 데이터의 부족으로 인해 모델의 개발 및 검증을 위하여 시뮬레이션 기반의 연구가 활발히 진행되고 있다. 각 연구에서는 자동화 단계별 특성을 시뮬레이션에 적용하여 자율주 행 차량의 실험 환경을 구현하고 있다. 그러나 이러한 연구에서 구현된 단계별 특성의 분류와 구현 방법에 대한 체계적인 분석이 미비하여 후속 연구의 방향성 설정과 현실에서의 정책 수립 및 시사점 도출에 어려움 이 있다. 본 연구에서는 시뮬레이션 기반의 자율주행 연구를 대상으로, SAE 기술 단계로 구분하여 단계별 연구 내용의 특징을 분석하였다. 분석 결과, 다음과 같은 중요한 결론을 도출하였다.
첫째, 선정된 문헌 중 절반 이상에서 SAE 기준 정의와 합치하지 않는 가정으로 자율주행 차량이 구현되 고 연구되고 있는 것으로 확인되었다. 특히 자율주행 기능 중 종방향 기능에 관한 조정만이 수행되는 경우가 많으며, 횡방향 제어 기능과 제어권 전환, 센서 및 통신 기술에 대한 고려가 단순화되거나 생략되어 평가되 었다. 이러한 경향은 추후 자율주행 기술 수준에 따른 정밀한 교통 영향을 예측하거나 제도적인 반영을 하고 자 할 때 제한적인 정보만을 제공함으로써 혼란을 초래할 수 있다. 이 중 제어권 전환의 경우, Lv. 3-4로 발 전하는 앞으로의 개발 수준과 제도적 방향성이 반영되어야 하며, 이를 위해 적절한 시뮬레이션적 구현 방안 에 관해서도 연구적 초점이 필요할 것으로 보았다.
둘째, 차량 행태 모형의 매개변수는 교통류 분석 결과에 민감하게 영향을 미칠 수 있으나, 이에 관해 명확 히 공유되지 못하고 있으며 모형별 다양성으로 인해 문헌 간 비교 분석이 어려운 것으로 나타났다. 또한, 이 를 적용함에 있어서도 자율주행 단계 전반적으로 매개변수 설정에 대한 상반되는 가정으로 연구 결과가 일 관적이지 못한 것으로 나타났다. 이는 현재 실제 주행 기반의 데이터가 공유되지 못하고 있어 다양한 관점의 가정이 나타나는 것으로 분석되었으나, 후속 연구를 위해서는 모형의 매개변수 값에 대한 정량적인 수치와 세부적인 기능적 수준에 관해 명시되고 범례화될 수 있어야 할 것으로 판단된다. 특히 Lv. 1, Lv. 2는 상용화 된 차량이 현재 존재하므로 추후 이에 대한 행태 분석 결과가 시뮬레이션 내 모형화에 반영될 수 있을 것으 로 보았다.
마지막으로, 차량별 주행 성향과 객체 간 상호작용이 다양하게 나타날 수 있음이 드러나고 있으나 이를 평가한 연구는 미비한 것으로 나타났다. 특히 자율주행 기술 수준이 발전함에 따라 발생할 수 있는 장기적인 교통 환경의 변화와 다양한 행태의 차량 구성이 고려되지 못하는 것으로 나타났다. 향후 연구에서는 각 단계 별 차량의 변화하는 비율, 안정적 주행 차량과 공격적 주행 차량의 구성비, 자율주행 신뢰 운전자 증가 등 미래 교통 상황에서 차량 행태에 대한 세밀한 가정과 자율주행 전용차로, 비신호 네트워크 최적화 등에 대한 추가적인 연구적 반영이 필요할 것으로 보았다.
이외에도 현실적인 주행 데이터의 반영, 시뮬레이션 설정 등 각 연구의 시나리오 설계에서 파악되는 후속 연구 시의 기타 고려 사항에 대해 언급하였다. 이로써 향후 본 연구의 결과를 기반으로 시뮬레이션 기반 자 율주행 연구 결과의 신뢰성과 활용성을 높이고 자율주행 산업에서 협력적인 상용화 과정에 이바지할 수 있 기를 기대한다. 또한, 향후 실제 주행 상황에서의 예측 가능성을 높이기 위해서는 이상적인 교통 상황 외에 도 특수한 주행 시나리오를 포함하는 연구가 점차 증가할 필요가 있을 것으로 판단된다.
